LLM大模型技术实战9：ChatGPT背后的功臣，RLHF技术解析

ChatGPT区别于其他模型的亮点以及没法复现的原因：

• 独特的基础模型：openai雇佣了上百号人产生了几万条打分数据，RLHF的本质类似于激发了基础模型的能力，基础模型已经很好了，只不过RLHF通过很少的计算量把模型能力激发出来了；

• 优秀的Reward模型：收集数据的时候，数据的质检很重要，这些数据需要真的反应你的想法，尽可能少的噪声；

01

背景由来

OpenAI 推出的 ChatGPT 对话模型掀起了新的 AI 热潮，它面对多种多样的问题对答如流，似乎已经打破了机器和人的边界。这一工作的背后是大型语言模型 (Large Language Model，LLM) 生成领域的新训练范式：RLHF (Reinforcement Learning from Human Feedback) ，即以强化学习方式依据人类反馈优化语言模型。

过去几年里各种 LLM 根据人类输入提示 (prompt) 生成多样化文本的能力令人印象深刻。然而，对生成结果的评估是主观和依赖上下文的，例如，

• 我们希望模型生成一个有创意的故事

• 一段真实的信息性文本

• 可执行的代码片段

这些结果难以用现有的基于规则的文本生成指标 (如 BLEU 和 ROUGE) 来衡量。

除了评估指标，现有的模型通常以预测下一个单词的方式和简单的损失函数 (如交叉熵) 来建模，没有显式地引入人的偏好和主观意见。

为了解决上述问题，如果我们 用生成文本的人工反馈作为性能衡量标准，或者更进一步用该反馈作为损失来优化模型，那不是更好吗？这就是 RLHF 的思想：使用强化学习的方式直接优化带有人类反馈的语言模型。

RLHF 使得在一般文本数据语料库上训练的语言模型能和复杂的人类价值观对齐。

02

什么是RLHF？

1、强化学习

在了解RLHF之前，我们需要先知道什么是RL，强化学习(RL)是一种机器学习，在这种学 习中，个体(Agent)通过与环境的互动来学习做决定。个体采取行动以实现一个特定的目标，根据其行动接受奖励或惩罚形式的反馈。随着时间的推移，个体学会了做出决策的最佳策略，以使其收到的累积奖励最大化。

2、基于人类反馈的强化学习

RLHF是一个将强化学习与人类反馈相结合的框架，以提高个体(Agent)在学习复杂任务中 的表现。在RLHF中，人类通过提供反馈参与学习过程，帮助个体更好地理解任务，更有效地 学习最优策略。将人类反馈纳入强化学习可以帮助克服与传统RL技术相关的一些挑战。人的 反馈可以用来提供指导，纠正错误，并提供关于环境和任务的额外信息，而这些信息可能是 个体(Agent)自己难以学习的。一些可以纳入RL的人类反馈的方式包括:

• 提供专家示范: 人类专家可以示范正确的行为，个体可以通过模仿或利用示范与强化学习技术相结 合来学习。

• 塑造奖励功能: 人类的反馈可以用来修改奖励功能，使其更有信息量，并与期望的行为更好地保持 一致。

• 提供纠正性反馈: 人类可以在训练期间向个体提供纠正性反馈，使其从错误中学习并改善其表现。

3、RLHF框架结构

RLHF框架主要包括以下几个关键组成部分：

环境 (Environment)
环境是个体所处的外部世界，它定义了任务的规则，以及个体可以执行的动作。环境对个体的行为做出反应，并提供状态信息和奖励。
个体 (Agent)
个体是与环境互动并学习的主体。它通过观察环境状态，采取行动，并根据环境的反馈来调整其策略。
人类反馈 (Human Feedback)
人类反馈是RLHF的核心组成部分。不同于传统强化学习只依赖预设的奖励函数，RLHF中的个体能够直接从人类的反馈中学习。这种反馈可以是示范、指导、纠正甚至是奖励函数的直接调整。
学习算法 (Learning Algorithm)
学习算法负责处理环境提供的数据和人类反馈，更新个体的决策策略。这可能包括模仿学习算法、策略优化算法等。

03

原理介绍

RLHF的训练过程可以分解为三个核心步骤：

1. 多种策略产生样本并收集人类反馈

2. 训练奖励模型

3. 训练强化学习策略，微调 LM

Step 1：预训练语言模型+有标签数据微调（可选）

首先需要一个预训练语言模型，通过大量的语料去训练出基础模型，对于ChatGPT来说就是GPT-3。还有一个可选的Human Augmented Text,又叫Fine-tune。这里说直白点就是招人给问题（prompt）写示范回答（demonstration），然后给GPT-3上学习。Fine-tune又叫有标签数据微调，概念比较简单，就是给到标准答案让模型去学习，可能有同学好奇，这不是和一开始的例子一样吗？是的没错，但实际想要用人工去撰写答案的方式来训练模型，那成本是不可想象的，所以需要引入强化学习。后面会继续讲。

Step 2：训练奖励模型

我们需要一个模型来定量评判模型输出的回答在人类看来是否质量不错，即输入 [提示(prompt)，模型生成的回答] ，奖励模型输出一个能表示回答质量的标量数字。

1. 把大量的prompt（Open AI使用调用GPT-3用户的真实数据）输入给第一步得到的语言模型，对同一个问题，可以让一个模型生成多个回答，也可以让不同的微调（fine-tune）版本回答。

2. 让标注人员对同一个问题的不同回答排序，有人可能会好奇为啥不打分？这是因为实验发现发现不同的标注员，打分的偏好会有很大的差异，而这种差异就会导致出现大量的噪声样本。排序的话能获得大大提升一致性。
   
   

3. 这些不同的排序结果会通过某种归一化的方式变成定量的数据丢给模型训练，从而获得一个奖励模型。也就是一个裁判员。

Step 3：通过强化学习微调语言模型

基于强化学习（RL）去优化调整语言模型

• policy是给GPT输入文本后输出结果的过程（输出文本的概率分布）

• Action Space是词表所有token（可以简单理解为词语）在所有输出位置的排列组合

• Observation space是可能输入的token序列，也就是Prompt

• Reward Function则是基于上面第二步得到的奖励模型，配合一些策略层面的约束

• 将初始语言模型的微调任务建模为强化学习问题，因此需要定义策略（policy）、动作空间（action space）和奖励函数（reward function）等基本要素

• 具体怎么计算得到奖励Chat GPT是基于梯度下降，Open AI用的是 Proximal Policy Optimization (PPO) 算法。

☀️ 什么是 PPO？该算法的主要特点如下：

PPO 是一种用于在强化学习中训练代理 的算法。它被称为「on-policy」算法，因为它直接学习和更新当前策略，而不是像 DQN 的「off-policy」算法那样从过去的经验中学习。这意味着PPO正在根据代理人所采取的行动和所收到的奖励，不断的调整策略；

PPO 使用信任域优化方法来训练策略，这意味着它将策略的变化限制在与前一策略的一定范围内，以确保稳定性。这与其它策略梯度方法不同，后者有时会对策略进行大规模更新，从而破坏学习的稳定性；

PPO 使用价值函数，来估计给定状态或操作的预期返回。价值函数用于计算优势函数，它代表预期回报和当前回报之间的差异。然后，通过比较当前策略采取的操作与前一个策略本应采取的操作，使用优势函数更新策略。这使 PPO 可以根据所采取行动的预估值，对策略进行更智能的更新。

在这一步中，PPO 模型经由 SFT 模型初始化，且价值函数经由奖励模型初始化。该环境是一个「bandit environment」，它会产生随机显示提示， 并期望对提示做出响应。给出提示和响应后，它会产生奖励（由奖励模型决定）。SFT 模型会对每个 token 添加 KL 惩罚因子，以免奖励模型的过度优化。

04

RLHF的应用

RLHF已在不同领域的各种应用中显示出前景，如:
智能机器人: RLHF可以用来训练机器人系统，使其以高精确度和高适应性完成复杂的任务，如操纵、运动和导航。

自动驾驶: RLHF可以通过纳入人类对驾驶行为和决策的反馈，帮助自主⻋辆学习安全和高效的驾 驶策略。

医疗保健: RLHF可以应用于训练人工智能系统，用于个性化的治疗计划、药物发现和其他医疗应 用，在这些方面人类的专业知识是至关重要的。

学习教育: RLHF可用于开发智能辅导系统，以适应个体学习者的需求，并根据人类的反馈提供个 性化的指导。

例如当我们将RLHF应用到自动驾驶的时候？是怎么运作的呢？在开发自动驾驶系统的过程中，致力于实现系统在多样化道路条件下的安全和高效驾驶。这一目标通过采纳基于人类反馈的强化学习（RLHF）框架得以实现，整个过程分为三个主要步骤。
首先，我们从专家司机那里收集示范驾驶数据和评价建议，为模型提供了初步的学习基础。
接着，这些数据被用于训练神经网络模型，通过模仿学习方法，如行为克隆，以及策略优化算法，如PPO或DDPG，系统不仅能学会模仿专家的驾驶技巧，还能进一步优化其决策策略。
最后一步，我们将专家的纠正性反馈和奖励调整融入学习过程，使得自动驾驶系统的性能不断提升。通过这种细致入微的训练方法，我们的系统不仅精准地复现了专家司机的操作，而且在面对新的驾驶情境时也能展现出高度的适应性和可靠性，显著提升了整体的学习效率。

05

RLHF的挑战

数据效率: 收集人类的反馈意⻅可能很费时和昂贵，因此，开发能够在有限的反馈意⻅下有效学习
的方法很重要。

**人类的偏⻅和不一致:**人类的反馈可能容易出现偏⻅和不一致，这可能会影响个体的学习过程和表现。

可扩展性: RLHF方法需要可扩展到高维的状态和行动空间，以及复杂的环境，以适用于现实世界 的任务

奖励的模糊性: 设计一个能准确代表所需行为的奖励函数是很有挑战性的，尤其是在包含人类反馈 的时候。

可转移性: 经过RLHF训练的个体应该能够将他们学到的技能转移到新的任务、环境或情况中。开 发促进转移学习和领域适应的方法对于实际应用是至关重要的。
安全性和稳健性: 确保RLHF个体是安全的，对不确定性、对抗性攻击和模型的错误规范是至关重 要的，特别是在安全关键的应用中。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】